如何将含多列的嵌套JSON字典解析为Pandas DataFrame？

嘿，我完全懂这种被嵌套JSON搞疯的感觉——尤其是当它堆了一大堆列的时候！我之前也踩过一模一样的坑，给你分享几个亲测有效的方法，应该能帮你把乱糟糟的嵌套数据拆成清晰可看的Pandas DataFrame列。

这绝对是处理嵌套JSON的首选工具，Pandas专门为这个场景做了优化，比自己写循环靠谱多了。

如果你的API响应是包含字典的列表（这是最常见的API返回格式），直接用下面的代码就行：

import pandas as pd

# 假设你的API响应存在response变量里
df = pd.json_normalize(response)

要是嵌套层级特别深，还可以用sep参数指定层级分隔符，比如用下划线把父键和子键连起来，避免列名混乱：

df = pd.json_normalize(response, sep='_')

如果JSON里还有嵌套的数组字段（比如某个键对应一个列表），可以用record_path指定要展开的数组，再用meta保留外层的关键字段：

# 比如response里的'orders'是嵌套数组，同时保留外层的'user_id'和'user_name'
df = pd.json_normalize(
    response,
    record_path='orders',
    meta=['user_id', 'user_name']
)

要是遇到那种字典套数组再套字典的变态结构，json_normalize可能会有点吃力，这时候可以写个简单的递归函数来扁平化每个条目：

def flatten_json(nested_json, exclude=['']):
    out = {}
    def flatten(x, name=''):
        # 处理字典类型
        if isinstance(x, dict):
            for key in x:
                if key not in exclude:
                    flatten(x[key], name + key + '_')
        # 处理列表类型
        elif isinstance(x, list):
            for idx, item in enumerate(x):
                flatten(item, name + str(idx) + '_')
        # 处理基础数据类型（字符串、数字等）
        else:
            out[name[:-1]] = x
    flatten(nested_json)
    return out

# 把每个响应条目都扁平化，再转成DataFrame
flattened_data = [flatten_json(item) for item in response]
df = pd.DataFrame(flattened_data)

这个函数会把所有嵌套层级都展开，用下划线连接，列表里的元素会带上索引前缀，比如列表第一个元素的键会变成0_xxx，方便你区分。

很多时候卡壳是因为我们没摸透JSON的层级，先打印格式化后的响应看看：

import json

# 把响应转成带缩进的字符串，一目了然
print(json.dumps(response, indent=4))

看完结构你就知道哪些是要展开的数组，哪些是外层的元数据，再针对性用上面的方法处理就轻松多了。

几个常见小坑提醒 #

• 如果API响应是一个大字典，里面的data或者results字段才是你要的列表，记得先提取：df = pd.json_normalize(response['data'])
• 遇到空值也不用慌，Pandas会自动把它们转成NaN，后续可以用df.fillna()处理

内容的提问来源于stack exchange，提问作者RustyShackleford